[发明专利]一种轨道交通线自适应标记方法、计算机设备及存储介质

说明书

本发明公开了一种轨道交通线自适应标记方法、计算机设备及存储介质，其标记方法包括如下步骤：步骤S1：标记第一帧图像；步骤S2：依据步骤S1的标记信息提取相机的投影变换规律；接着，按次序逐次提取图像帧数据，进行以下处理：步骤S3:提取边缘信息；步骤S4:将边缘信息沿X方向自适应拓展；步骤S5:初步hough变换，提取轨道中心线的低阶参数；步骤S6：二次hough变换,提取轨道中心线的高阶参数；步骤S7：计算得到轨道中心线；步骤S8：依据投影映射规律，计算轨道中心两侧的轨道，实现轨道交通的语义分割。本发明充分利用了hough统计特征计算的稳定性，又降低了广义霍夫变换的算法复杂性。

技术领域

本发明属于轨道交通技术领域，具体涉及轨道交通线标记方法。

背景技术

随着人工智能、智能交通、5G通信技术的深入发展和城市规模的逐渐扩大，越来越多的视觉和深度学习技术被运用在轨道交通和无人驾驶产业中。传统的视觉检测和激光雷达等技术都被广泛应用在各类场合，例如轨道交通障碍物检测、进出站的行人检测或受电弓安全检测或行车安全监测等。其中，交通轨道线的准确定位识别往往是整个行车安全检测的前提和基础，在轨道交通的安全监测和智能驾驶等方面具有极其重要意义。

在轨道识别检测方面，国内外研究比较多，算法主要集中各类边缘提取算子方面，如利用Sobel算子及其改进型来提取轨道的边缘信息,然后通过直线拟合的方法来检测轨道，但该方法仅仅适合直线方法，对于弯曲轨道检测存在较大的误差。部分学者提出利用图像匹配技术、Hog特征或数学形态学等方法来识别轨道，算法较以往单纯的边缘检测算法更为复杂，且都取得了不错的检测效果，但此类算法往往易受图像的质量影响。

传统轨道检测算法往往基于简单的灰度或边缘信息，往往只是简单考虑直线轨道或近似直线的轨道的检测，算法的鲁棒性不够，且检测耗时。同时，机车轨道由于长期暴露在户外，表面磨损严重，采集的图像数据差异较大。同时，车辆在实时行驶过程，环境因素会极大的影响采集的数据，例如，雨雪天气、机车振动、多条轨道和各类环境光源等等。

同时，随着基于深度学习的人工智能技术发展，越来越多深度网络，被引入到轨道交通的语义分割，例如Unet、Polylane和PiNet等深度网络，都取得了很好的分割效果。但在一些轨道线复杂区域，例如弯道较多的区域，其分割效果容易受外界影响，不够稳定，且由于深度网络属于端对端，一旦训练完毕，内部参数难以直接调整。

发明内容

本发明所要解决的技术问题就是提供一种轨道交通线自适应标记方法、计算机设备及存储介质，准确估算轨道中心线的拟合参数，避免了因局部定位偏差、强光照等因素而导致的轨道计算整体偏差。

为解决上述技术问题，本发明采用如下技术方案：

一方面，提供了一种轨道交通线自适应标记方法，包括如下步骤：

步骤S1：标记第一帧图像，设轨道线沿着图像的Y方向延伸，与Y方向垂直的方向为X方向，沿着轨道线延伸方向，标记轨道线两侧轨道，设轨道线数据在Y方向两侧为左右两侧，用点阵表示，分别为EdegL和EdgeR；

步骤S2：依据步骤S1的标记信息提取相机的投影变换规律，轨道线随着Y变化，用一维数组EdgeW描述，如公式(1)，

EdgeW＝EdgeR(X)-EdgeL(X) (1)

用轨道线的右侧的值减去左侧的X坐标，记录图像中每个Y值对应的轨道宽度；接着，按次序逐次提取图像帧数据，进行以下处理：

步骤S3:提取边缘信息；

步骤S4:将边缘信息沿X方向自适应拓展；

步骤S5:初步hough变换，提取轨道中心线的低阶参数；

步骤S6：二次hough变换,提取轨道中心线的高阶参数；